Era digitalisasi menciptakan tantangan baru dalam pengelolaan persediaan industri manufaktur. sistem penghitungan objek konvensional berbasis sensor infrared memiliki keterbatasan akurasi dan fleksibilitas dengan jarak deteksi maksimal 15 cm serta rentan gangguan pencahayaan. penelitian ini mengusulkan prototype sistem otomatis berbasis computer vision untuk mendeteksi dan menghitung objek secara real-time menggunakan deep learning dengan algoritma yolov4. sistem ini dirancang untuk mengotomatiskan tugas penghitungan jumlah produk di jalur produksi, mengurangi kesalahan manual, dan meningkatkan efisiensi produksi. pengujian dilakukan menggunakan sistem conveyor dengan dua kecepatan berbeda untuk mendeteksi kaleng minuman dan kemasan snack. data uji terdiri dari 5.706 citra yang diambil dari hasil deteksi real-time dalam 10 pengambilan data. sistem monitoring visual menggunakan webcam beresolusi 1080p yang dipasang pada ketinggian 65 cm dari permukaan conveyor belt. analisis data menggunakan metrik f-measure, akurasi, precision, dan recall, berdasarkan confusion matrix. hasil penelitian menunjukkan bahwa sistem mampu mendeteksi objek secara real-time dengan performa optimal pada kecepatan conveyor belt dengan kecepatan 43 rpm, menghasilkan f-measure rata-rata 81% dan akurasi keseluruhan 70,6%. pada kecepatan 43 rpm precision mencapai 95,7% untuk kaleng minuman dan 97,8% untuk kemasan snack, dengan recall masing-masing 66,6% dan 73,1%. sedangkan dengan kecepatan 59 rpm menghasilkan f-measure rata-rata 77,7% dan akurasi 65,8%. pada kecepatan 59 rpm precision mencapai 100% untuk kaleng minuman dan 93,4% untuk kemasan snack, dengan recall masing-masing 67,3% dan 62,7%. model yolov4 menunjukkan konsistensi precision tinggi di atas 93% untuk semua konfigurasi, mengindikasikan reliabilitas dalam menghindari false positive. namun, variabilitas recall antara 62,7%-73,1% menunjukkan masih terdapat ruang perbaikan untuk meminimalkan false negative. penelitian ini berkontribusi dalam pengembangan teknologi otomatisasi sektor manufaktur, khususnya penerapan computer vision dan deep learning untuk pengelolaan inventaris dengan sistem yang dapat diadaptasi sesuai karakteristik objek target dan persyaratan kecepatan operasional.

The era of digitalization creates new challenges for inventory management in the manufacturing industry. conventional object counting systems that use infrared sensors have limited accuracy and flexibility with a maximum detection distance of 15 cm and are prone to lighting interference. this research proposes a computer vision prototype that uses deep learning with the yolov4 algorithm to detect and count objects in real time. the system is designed to automate the task of counting the number of products on the production line, reduce manual errors, and improve production efficiency. tests were conducted using a conveyor system operating at two different speeds to detect beverage cans and snack packaging. the test data consisted of 5,706 images taken from real-time detection results in 10 data captures. the visual monitoring system uses a webcam with 1080p resolution mounted 65 cm above the conveyor belt. data analysis uses f-measure, accuracy, precision, and recall metrics based on a confusion matrix. the results of the research show that the system is able to detect objects in real-time with optimal performance at conveyor belt speed of 43 rpm, resulting in an average f-measure of 81% and overall accuracy of 70.6%. at a speed of 43 rpm precision reached 95.7% for beverage cans and 97.8% for snack packaging, with recall of 66.6% and 73.1% respectively. meanwhile, the 59 rpm speed resulted in an average f-measure of 77.7% and an accuracy of 65.8%. at a speed of 59 rpm precision reached 100% for beverage cans and 93.4% for snack packaging, with recall of 67.3% and 62.7% respectively. the yolov4 model shows high precision consistency above 93% for all configurations, indicating reliability in avoiding false positives. however, the variability of recall between 62.7%-73.1% indicates that there is still room for improvement to minimize false negatives. this research contributes to the development of automation technology in the manufacturing sector, especially the application of computer vision and deep learning for inventory management with a system that can be adapted according to the characteristics of the target object and operational speed requirements.